[發明專利]一種基于測序和機器學習的構建疾病風險預測模型的方法和系統

在審

• 申請號: 202110348442.5
• 申請日: 2021-03-31
• 公開（公告）號: CN112992274A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 楊承剛;李雨晨
• 申請（專利權）人: 青島泱深生物醫藥有限公司
• 主分類號: G16B40/20
• 分類號: G16B40/20;G16H50/30;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種構建疾病風險預測模型的方法，其特征在于，包括：

獲取樣本測序數據；

對基因進行表達量定量，構建表達量矩陣；

基于MLseq工具進行模型訓練，選擇分類效果最佳的算法進行風險預測模型的訓練和構建；

優選地，所述方法還包括對測序數據進行處理和質控；

優選地，所述方法還包括將處理后的數據比對至人類參考基因組上；

優選地，所述方法還包括將臨床信息按照樣本分組信息進行特征標記；

優選地，所述方法還包括在模型訓練前將樣本隨機分為訓練集和測試集；

優選地，所述方法還包括對風險預測模型進行驗證，得到預測分類結果。

2.根據權利要求1所述的方法，其特征在于，所述模型訓練前還包括建模數據處理；優選地，建模數據處理包括特征剔除、批次效應校正；優選地，特征剔除的步驟包括：將所有基因單獨進行過濾，計算表達量為0的樣本數量，并統計其在總樣本數中所占的比例，剔除高于特定比例的特征；優選地，批次效應校正的步驟包括：將樣本的分組信息和批次標記信息保存為向量，對表達量矩陣、分組信息向量、批次標記信息向量進行矩陣建模，估計代表批次效應的參數，將原始數據映射到預期的分布，進而生成新的表達量矩陣；優選地，建模數據處理還包括離群樣本剔除；優選地，離群樣本剔除的步驟包括：進行主成分分析，將剔除批次效應的表達量矩陣作為參數傳入，進行數據的基因特征的維度映射，生成降低維度的主成分的數值矩陣，繪制PCA圖，刪除遠離群體的樣本；

優選地，所述表達量矩陣為M*N的基因表達量矩陣，表達量矩陣中的第i行第j列的數值表示第j個樣本對應第i個基因的表達量count值，其中1≤i≤M，1≤j≤N；M表示檢測基因的數量，N表示分析樣本的數量；優選地，表達量矩陣的定量標準類型為基因ID，優選地，構建表達量矩陣的步驟還包括合并數據集；優選地，利用基因ID合并數據集。

3.一種構建結直腸疾病風險預測模型的方法，其特征在于，包括：

獲取樣本測序數據；

對基因進行表達量定量，構建表達量矩陣；

基于MLseq工具進行模型訓練，選擇分類效果最佳的算法進行風險預測模型的訓練和構建；

優選地，所述方法還包括對測序數據進行處理和質控；

優選地，所述方法還包括將處理后的數據比對至人類參考基因組上；

優選地，所述方法還包括將臨床信息按照樣本分組信息進行特征標記；

優選地，所述方法還包括在模型訓練前將樣本分為訓練集和測試集；

優選地，所述方法還包括對風險預測模型進行驗證，得到預測分類結果

獲取數據：獲取樣本的測序數據；

優選地，所述測序數據來源于TCGA數據庫和SRA數據庫；

優選地，所述模型訓練前還包括建模數據處理；

優選地，建模數據處理包括特征剔除、批次效應校正；

優選地，特征剔除的步驟包括：使用featurefilter函數將所有基因單獨進行過濾，計算表達量為0的樣本數量，并統計其在總樣本數中所占的比例，剔除高于特定比例的特征；優選地，所述特定比例為0.05；

優選地，批次效應校正的步驟包括：將樣本的分組信息和批次標記信息保存為向量，對表達量矩陣、分組信息向量、批次標記信息向量進行矩陣建模，估計代表批次效應的參數，將原始數據映射到預期的分布，進而生成新的表達量矩陣；優選地，批次校正的函數為ComBat-Seq函數；

優選地，建模數據處理還包括離群樣本剔除；優選地，離群樣本剔除的步驟包括：進行主成分分析，將剔除批次效應的表達量矩陣作為參數傳入，進行數據的基因特征的維度映射，生成降低維度的主成分的數值矩陣，繪制PCA圖，刪除遠離群體的樣本；

優選地，所述表達量矩陣為M*N的基因表達量矩陣，表達量矩陣中的第i行第j列的數值表示第j個樣本對應第i個基因的表達量count值，其中1≤i≤M，1≤j≤N；M表示檢測基因的數量，N表示分析樣本的數量；

優選地，表達量矩陣的定量標準類型為基因ID，

優選地，表達量矩陣的定量模式為intersection-nonempty；

優選地，構建表達量矩陣還包括合并數據集；優選地，利用基因ID合并數據集；

優選地，臨床信息處理的步驟包括：

stage特征中I、IA、IB標記為TNM1；II、IIA、IIB、IIC標記為TNM2；III、IIIA、IIIB、IIIC標記為TNM3；IV、IVA、IVB標記為TNM4；

stage字段重命名為subclass；

腸道息肉樣本的subtype字段重命名為subclass，并標記為polyps；

無患病正常樣本的subtype字段重命名為subclass，并標記為normal；

添加字段source，標記樣本來源TCGA或者是SRA。